删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

基于人工蜂群优化的MR图像分割算法研究

本站小编 Free考研考试/2022-01-01

曲蕴慧1, 陈小菊2
1. 西安医学院 卫生管理学院 计算机教研室, 陕西 西安 710021;
2. 西安医学院 卫生管理学院, 陕西 西安 710021
2019-11-20 收稿, 2020-02-11 录用
基金项目: 陕西省卫计委2018卫生健康科研项目(2018D078)和西安医学院配套基金项目(2018PT54)资助
*通讯作者: 曲蕴慧

摘要: 针对传统图像阈值分割算法在MR图像分割时存在的易受采集图像灰度不均、医学图像易受噪声干扰,因而难以得到准确分割阈值的问题,本文将人工蜂群算法与二维OSTU阈值分割算法相结合,提出一种基于人工蜂群优化的MR图像分割算法。使用医学图像的离散度矩阵的迹作为人工蜂群优化的目标函数,得到二维OSTU的最佳分割阈值;根据得到的最佳阈值,对图像采用二维OSTU分割的方法进行分割。实验结果证明,对于医学MR图像,本文所提出的算法具有精度高和鲁棒性强的特点,能够得到精确的分割后图像。
关键词: 人工蜂群算法二维OSTUMR图像
Research on MR Image Segmentation Algorithm Based on Artificial Bee Colony Optimization
QU Yunhui1, CHEN Xiaoju2
1. Computer Teaching and Research Section, School of Health Services Management, Xi'an Medical University, Xi'an 710021, Shaanxi, P. R. China;
2. School of Health Services Management, Xi'an Medical University, Xi'an 710021, Shaanxi, P. R. China

Abstract: Traditional image threshold segmentation algorithm in MR image segmentation is easy to be disturbed by the problem of gray un-uniform and being susceptible to noise interference. Considering these problems, an MR image segmentation algorithm based on artificial bee colony optimization is proposed, which is combining the artificial bee colony algorithm with the two-dimensional OSTU threshold segmentation algorithm. The algorithm uses the trace of the dispersion matrix of medical image as the objective function of artificial bee colony optimization, the optimal segmentation threshold of two-dimensional OSTU is obtained. According to the optimal threshold, the image is segmented by two-dimensional OSTU. The experimental results show that, for medical MR images, the algorithm proposed in this paper has the characteristics of high accuracy and strong robustness, and can get accurate segmented images.
Key words: artificial bee colony2D OSTUMR image
图像分割就是根据图像性质(如灰度、颜色、纹理、几何特征等)把图像分成若干个特定的、具有独特性质的区域的技术和过程。图像分割是对图像进行进一步处理的关键,是计算机视觉研究中的一个经典难题,已经成为图像理解领域关注的一个热点。尤其在医学影像图像处理过程中,图像分割的精确度直接影响到下一步病灶的识别甚至疾病的判别与诊断[1]
目前的图像分割方法主要有基于阈值的分割方法、基于区域的分割方法、基于边缘检测的分割方法以及基于特定理论的分割方法等,其中基于阈值的分割方法计算简单、运算效率较高、速度快,受到广大****的青睐。
阈值分割方法最关键的就在于阈值的选择,本文将人工蜂群算法应用于二维OSTU阈值筛选优化上,选取能最优分割图像的阈值,提高了分割的准确度。同时,由于二维OSTU算法比传统的OSTU阈值分割算法具有更好的鲁棒性,更加适用于医学影像MR图像的分割。
1 ABC优化的MR图像分割算法1.1 二维OSTU算法OSTU算法是一种自适应的阈值确定的方法,通过统计整个图像的直方图特性来实现全局阈值的自动选取。由于该方法具有计算简单、在一定条件下不受图像亮度及对比度影响等优点,被广泛应用在图像处理中[2]。但由于OSTU算法只考虑到了当前像素的灰度值,当图像受到噪声干扰等影响时,其灰度直方图易产生波峰波谷不明显的问题,从而导致阈值计算有误,使得分割精度较低。
已有报道在OSTU算法的基础上提出二维OSTU算法,描述如下[3,4]
I(x,y)为灰度为L级的图像,f(x,y)为(x,y)点的灰度值;g(x,y)为以像素点(x, y)为中心的K×K的像素点集合的灰度均值。令f(x,y)=i,i=1, 2, …, L;g(x,y)=j,则形成二元组(i,j)。
设二元组(i,j)出现次数为fij,二元组对应的概率密度为Pij,则Pij=fij/N;其中N为图像的总像素数。阈值向量(s,t)将图像的二维直方图划分为4个区域,如图 1所示。其中A、B分别为目标和背景区域;C、D为噪声以及边缘点。
图 1
图 1 二维直方图

设目标和背景对应的概率分别为PoPb,则当阈值为(s, t)时,PoPb由式(1)、(2)计算可得。
(1)
(2)
CoCb分别为目标和背景区域的均值矢量,如式(3)和式(4):
(3)
(4)
图像总的灰度均值CT如式(5)所示:
(5)
定义离散度矩阵如式(6)所示:
(6)
则离散度矩阵的迹定义如式(7)所示:
(7)
则取迹最大的(s,t)为最佳分割阈值。
1.2 人工蜂群算法人工蜂群算法(artificial bee colony,ABC算法)是Karaboga[5]于2005年提出的一种模拟蜜蜂群智能搜索行为的优化算法模型。在该算法模型中,蜜蜂被分为三类:引领蜂、跟随蜂和侦察蜂。其中,引领蜂和跟随蜂用于蜜源的开采,侦察蜂用于避免蜜源种类过少以及观察算法是否陷入局部最优[6]
人工蜂群算法的算法流程如下:
1) 初始化设置
在解空间中,按照式(8)随机产生蜜源的初始位置(即随机产生一个可能解)。
(8)
其中,i=1, 2, …, NP;j=1, 2, …, D;NP为蜜源(解)的数量;D为解空间的维数。xjminxjmax分别表示第j维的最大值及最小值。rand(0,1)表示0到1之间的随机数。
2) 新蜜源的更新
引领蜂在蜜源i的附近按照式(9)进行搜索新蜜源:
(9)
其中,k=1, 2, …, NP。ki,为NP个蜜源中随机选取的一个不同于i的蜜源。rand(0,1)表示0到1之间的随机数。
3) 跟随蜂选择引领蜂进行跟随
引领蜂完成搜索后,将蜜源信息分享给跟随蜂,跟随蜂根据选择概率Pi选择引领蜂进行跟随,选择概率如式(10)所示。
(10)
其中,fitnessi为第i维解的适应度函数,适应度函数如式(11)所示:
(11)
其中,f(xi)为蜜源i对应的待优化问题的目标函数f的函数值。
跟随蜂根据选择概率,采用轮盘赌策略选择引领蜂跟随,并更新对应的新蜜源。若新蜜源(解)的适应度fitness比之前的好,则保存新蜜源(解)。
4) 产生侦察蜂
在搜索过程中,如果蜜源i到达预定(limit)次迭代都没有找到更好的蜜源,则将蜜源i舍弃,并且与其对应的引领蜂转化为侦察蜂。侦察蜂在解空间随机产生一个新的蜜源来代替原蜜源i
人工蜂群算法具有操作简单、控制参数少、搜索精度高和鲁棒性强的特点,与经典的优化方法相比,它对目标函数和约束几乎没有要求,在搜索过程中基本不利用外部信息,仅以适应度函数作为进化的依据,能够有效解决多种优化问题[7-9]
1.3 ABC优化的MR图像算法由于医学MR图像具有多样性和复杂性,以及目前核磁共振设备成像技术易带来MR图像噪声,使得传统的图像分割方法很难在医学MR图像分割上取得良好的效果。本文采用人工蜂群算法对二维OSTU算法进行优化,以加快二维OSTU算法中最佳阈值搜索速度,提高图像分割精度,同时结合了二维OSTU算法鲁棒性强的特点,使本文算法在医学图像尤其是MR图像分割方面具有良好的分割效果。基于人工蜂群优化的MR图像分割算法流程图如图 2所示。
图 2
图 2 本文算法流程图

基于人工蜂群优化的二维OSTU算法的基本步骤为:
Step1 :初始化种群,设置种群大小最大为80,最大迭代次数limit=100,由于需要产生二维阈值,故解空间的维度D=2;读取待分割的MR图像,将待分割MR图像的离散度矩阵的迹作为目标函数,根据式(11)得到适应度函数fitness。
Step2 :引领蜂根据式(8)随机产生初始解,并根据式(9)搜索新解。
Step3 :跟随蜂按照选择概率Pi,采用轮盘赌方法选择引领蜂进行跟随。
Step4 :在搜索过程中,如果解i到达预定(limit)次迭代都没有找到更好的解,则将解i舍弃,并且与其对应的引领蜂转化为侦察蜂。侦察蜂在解空间随机产生一个新的解来代替原解i;若新解的适应度fitness比之前的好,则保存新解。
Step5 :重复步骤2~4,直到达到结束条件。
Step6 :输出最优解,即为二维OSTU最佳分割阈值(s,t)。
Step7 :根据最佳阈值(s,t),采用二维OSTU方法对MR图像进行分割,得到最终分割后的MR图像。
2 实验结果与分析2.1 实验对比本文以BrainWeb提供的模拟MRI图像作为实验样本,采用Visual Studio 2010 + Open CV平台编程实现本文所提出的算法[10,11],并将其与OSTU阈值法和未经优化的原始二维OSTU分割算法分割结果进行对比,来验证本文所提出的算法的有效性。
图 3(a)为BrainWeb[12]提供的原始无噪声的MR图像(设置T1加权,层厚3 mm),图 3(b)~(d)分别为OSTU和二维OSTU分割效果以及本文提出算法的分割效果。
图 3
图 3 脑MRI图像分割效果

图 4(a)为BrainWeb提供的含有10%高斯噪声的脑MRI图像,图 4(b)~(d)分别为OSTU、二维OSTU分割效果以及本文提出的算法的分割效果。
图 4
图 4 含有10%高斯噪声的脑MRI图像分割效果

为了进一步验证本文所提出算法的性能,采用信噪比(PSNR)对本文算法及上述对比算法与网站所提供的标准化分割图像进行定量比较。信噪比定义如式(12)所示:
(12)
其中,MSE是均方误差,MSE值越小,分割图像与对比图像差异越小,分割越精确。MSE计算公式如式(13)所示:
(13)
三种算法的PSNR对比值如表 1所示。
表1
表 1 各算法PSNR对比
图像 OSTU 二维OSTU 本文算法
无噪声图像 21.1141 22.7647 23.6925
加入10%高斯噪声图像 14.1538 18.3267 20.7923

表 1 各算法PSNR对比

表 1结果可得,本文所提出的算法在MR图像分割上获得的PSNR均高于对比算法,与视觉效果对比评价结果一致。
2.2 结果分析由图 3图 4的视觉对比,以及表 1的定量对比结果可看出,对于无噪声干扰的图片,本文提出的算法和二维OSTU阈值分割方法的分割效果都比较理想,肉眼难以分辩出明显区别。而对于受到噪声干扰的MRI图像,二维OSTU阈值分割方法在阈值选取上容易陷入局部最优,导致对噪声区域的过分割。而本文提出的算法可在噪声干扰的情况下,依然得到理想的分割效果。
3 结论本文提出了一种基于人工蜂群优化的二维OSTU医学图像分割方法,将人工蜂群优化思想与二维OSTU阈值分割方法相结合,使用医学图像的离散度矩阵的迹作为人工蜂群优化的目标函数,得到二维OSTU的最佳分割阈值(s,t);根据得到的最佳阈值,对图像采用二维OSTU分割的方法进行分割。实验结果证明,对于医学MR图像,本文所提出的算法具有精度高和鲁棒性强的特点,能够得到精确的分割后图像。

参考文献
[1] 曲蕴慧, 弓明, 廖尹坤, 等. 基于改进Canny算子的脑部MR图像分割算法的研究[J]. 中国医疗设备, 2018, 33(7): 7-10.
Qu Y H, Gong M, Liao Y K, et al. Brain MR image segmentation algorithm based on improved canny operator[J]. China Medical Device, 2018, 33(7): 7-10.
[2] 韩志斌, 林涛, 杨坤, 等. 基于改进二维OSTU算法的SAR图像分割方法研究[J]. 海军航空工程学院学报, 2010, 2(25): 153-157.
Han Z B, Lin T, Yang K, et al. Research on the SAR image segmentation method based on improved two-dimension ostu arithmetic[J]. Journal of Naval Aeronautical and Astrona-utical University, 2010, 2(25): 153-157.
[3] 于洋, 孔琳, 虞闯. 自适应粒子群集优化二维OSTU的图像阈值分割算法木[J]. 电子测量与仪器学报, 2017, 31(6): 827-832.
Yu Y, Kong L, Yu C. Image threshold segmentation algorithm based on adaptive particle swarm optimization of two-dimensional OSTU[J]. Journal of Electronic Measurement and Instrumentation, 2017, 31(6): 827-832.
[4] 高宏进, 王力, 龚维印, 等. 基于改进CS算法的二维OSTU快速图像分割[J]. 通信技术, 2017, 50(12): 2698-2703.
Gao H J, Wang L, Gong W Y, et al. Two-dimensional OSTU fast image segmentation based on modified CS algorithm[J]. Communications Technology, 2017, 50(12): 2698-2703. DOI:10.3969/j.issn.1002-0802.2017.12.010
[5] Karaboga D. An idea based on honey bee swarm for numerical optimization[R]. Technical Report-tr06, Erciyes University, Engineering Faculty, Computer Engineering Department, 2005. https://www.researchgate.net/publication/255638348_An_Idea_Based_on_Honey_Bee_Swarm_for_Numerical_Optimization_Technical_Report_-_TR06
[6] 解敏. 基于多目标蜂群优化的阈值图像分割算法[J]. 电视技术, 2018, 42(3): 6-14.
Xie M. Image thresholding segmentation based on multi-objective artificial bee colony optimization[J]. Digital Video, 2018, 42(3): 6-14.
[7] 韦鹏宇, 潘福成, 李帅. 改进人工蜂群优化BP神经网络的分类研究[J]. 计算机工程与应用, 2018, 54(10): 158-163.
Wei P Y, Pan F C, Lu S. Study on classification of improved artificial bee colony algorithm to optimization of BP neural network[J]. Computer Engineering and Applications, 2018, 54(10): 158-163. DOI:10.3778/j.issn.1002-8331.1612-0379
[8] 李海洋, 何红洲. 改进人工蜂群优化的K均值图像分割算法[J]. 智能计算机与应用, 2018, 8(3): 45-49.
Li H Y, He H Z. Improved artificial bee colony and K-means clustering for image segmentation[J]. Intelligent Computer and Applications, 2018, 8(3): 45-49. DOI:10.3969/j.issn.2095-2163.2018.03.011
[9] Gao Y, Li X, Dong M, et al. An enhanced artificial bee colony optimizer and its application to multi-level threshold image segmentation[J]. Journal of Central South University, 2018, 25: 107-120. DOI:10.1007/s11771-018-3721-z
[10] 张铮, 徐超, 任淑霞, 等. 数字图像处理与机器视觉——Visual C++与Matlab实现[M]. 北京: 人民邮电出版社, 2016.
Zhang Z, Xu C, Ren S X, et al. Digital Image Processing and Machine Vision:Implemented in Visual C++ and Matlab[M]. Beijing: Posts & Telecom Press, 2016.
[11] 毛星云, 冷雪飞, 等. OpenCV3编程入门[M]. 北京: 电子工业出版社, 2015.
Mao X Y, Leng X F. Introduction to OpenCV3 Programming[M]. Beijing: Publishing House of Electronics Industry, 2015.
[12] Brain Web: Simulated Brain Database[EB/OL]. http://www.bic.mni.mcgill.ca/brainweb/.




相关话题/图像 优化 医学 概率 空间

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19
  • 不同月经周期乳腺增生的超声图像分析
    周锡伟重庆市万盛经开区人民医院超声科,重庆4008002019-08-15收稿,2019-09-23录用摘要:本文对不同月经周期乳腺增生的超声图像特征进行了分析。研究对象为选取2017年6月~2019年6月本院乳腺增生患者102例,所有患者均于不同月经周期(月经期、增殖期、分泌期)给予彩色多普勒超声 ...
    本站小编 Free考研考试 2022-01-01
  • 面向绘画艺术品复制的多光谱图像数字修复技术研究
    贾兆阳, 导师:陈广学绘画艺术品作为人类文明的瑰宝,有着不可估量的艺术价值,然而受人为、意外以及自然环境等因素的影响,会有不同程度的损坏。面向艺术品复制的多光谱图像数字修复,目的是通过采用多光谱技术获取客观准确的艺术品颜色信息并用于彩色图像数字修复,进而用于艺术品的数字典藏、高保真图像复制, ...
    本站小编 Free考研考试 2022-01-01
  • 基于阶调映射的高动态范围图像纸媒再现研究
    赵洋, 导师:李效周高动态范围(highdynamicrange,HDR)图像由于亮度范围大,细节层次丰富,比普通图像能更好地记录和展现真实场景的明暗细节,已广泛应用于医疗图像、航空遥感、虚拟现实、跨媒体出版等领域中。但是其动态范围较现有显示媒介有较大差异,在获取、显示及输出上,无法直接再现 ...
    本站小编 Free考研考试 2022-01-01
  • 基于Kirsch算子图像分割的FPGA设计与实现
    王小东,赵仁宏潍坊医学院,山东潍坊2610532019-04-03收稿,2019-04-23录用山东省自然科学基金项目(ZR2015HL097)资助*通讯作者:赵仁宏,E-mail:zhaorh@163.com摘要:医学影像是医疗诊断的重要手段。在一些疾病的早期诊断过程中,组织的边缘信息代表重要的特 ...
    本站小编 Free考研考试 2022-01-01
  • 边缘保持滤波技术在空间色域映射中的应用
    王娜, 导师:陈广学色域映射是跨媒体图像复制中的一项关键技术,主要用以解决图像颜色信息在不同色域大小的颜色设备之间的准确传输。目前已有不少成熟的色域映射算法,其中,按照映射原理可以将色域映射算法分为逐点色域映射和空间色域映射两大类。逐点色域映射方法由于不考虑图像中像素间的颜色关系,因此会造成 ...
    本站小编 Free考研考试 2022-01-01
  • 陶瓷艺术品器身图案的提取与图像复制系统的构建研究
    张静, 导师:陈广学随着数字信息技术的发展,艺术品和文物的数字化已不再是一个问题。然而,在这些三维的文物或艺术品的复制过程中,目前的3D打印技术还是较多地关注在物体的造型上,颜色和图案最后还是要靠手工绘制。然而对文物及艺术品来说,除造型之外,器身表面的图案同样是其重要的组成部分。为此,本文聚 ...
    本站小编 Free考研考试 2022-01-01
  • 物像空间位姿表征模型及标定技术研究
    冯志伟1,陈欣1,李重阳2,王英伟11.北京理工大学深圳研究院,广东深圳518057;2.北京空间机电研究所,北京1000832019-04-07收稿,2019-04-17录用深圳市科技创新计划资助项目(JCYJ20170817115209011,JCYJ20180307123816647)*通讯作 ...
    本站小编 Free考研考试 2022-01-01
  • 软硬属性转换及超分辨率转换遥感图像亚像元定位研究
    王鹏,导师:王立国谱解混技术虽然可以获得混合像元内各类别的比例(丰度值),但是无法获得各类别在混合像元内的具体空间分布信息。亚像元定位(SubpixelMapping,SPM)技术作为光谱解混技术的后续处理,通过将像元分解成更小的亚像元,进而获得具有亚像元级尺度下各类别分布信息的专题制图。亚像元定位 ...
    本站小编 Free考研考试 2022-01-01
  • Lab分通道直方图的彩色图像分割算法及应用
    于艺铭,金典,王琪,张琪,陈茜,王小菊南京林业大学轻工与食品学院,江苏?南京2100372018-10-25收稿,2018-11-19录用国家自然科学基金项目(31270629)资助*通讯作者:王琪,E-mail:wangqi@njfu.edu.cn摘要:本文针对传统灰度直方图分割法未综合考虑图像色 ...
    本站小编 Free考研考试 2022-01-01
  • 静态立体图像获取的历史与进展
    谢俊国1,顾金昌2,赵慧11.广东轻工职业技术学院信息技术学院,广东广州510300;2.上海艺影数码科技有限公司,上海2011072018-11-26收稿,2018-12-03录用*通讯作者:谢俊国,E-mail:3d-photo@163.com摘要:从立体相机实拍获取静态立体图像的发展历程,揭示 ...
    本站小编 Free考研考试 2022-01-01